经典遗传算法原理和应用.pptVIP

遗传算法原理与应用 SN: SNO: 主要内容 遗传算法基本原理 2 遗传算法概述 1 遗传算法的应用及一些问题 3 1、优化方法 遗传算法概述 传统的优化方法（局部优化） 共轭梯度法、拟牛顿法、单纯形方法 全局优化方法 GA、漫步法（Random Walk）、模拟退火法 2、遗传算法优点 遗传算法（GA）模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。其遗传进化操作过程简单，容易理解。 遗传算法基本原理 1、基本思想 模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量——染色体，向量的每个元素称为基因。 通过不断计算各染色体的适应值，选择最好的染色体，获得最优解。 2、遗传算法的基本运算 ⑴ 选择运算 ⑵ 交换操作 ⑶ 变异 选择运算 从旧的种群中选择适应度高的染色体，放入匹配集（缓冲区），为以后染色体交换、变异，产生新的染色体作准备。 选择方法——适应度比例法（转轮法） 某染色体被选的概率：Pc xi 为种群中第i个染色体，f(xi )为第i个染色体的适应度值。 具体步骤 1）计算各染色体适应度值 2）累计所有染色体适应度值，记录中间累加值S - mid 和最后累加值 sum = ∑f(xi) 3）产生一个随机数 N，0〈 N 〈 sum 4）选择对应中间累加值S - mid 的第一个染色体进入交换集 5） 重复（3）和（4），直到获得足够的染色体。 举例：⒈具有6个染色体的二进制编码、适应度值、Pc累计值。 染色体的适应度和所占的比例 用转轮方法进行选择 染色体被选的概率 染色体编号 1 2 3 4 5 6 7 8 9 10 适应度 8 2 17 7 2 12 11 7 3 7 被选概率 0.1 0.02 0.22 0.09 0.02 0.16 0.14 0.09 0.03 0.09 适应度累计 8 10 27 34 36 48 59 66 69 76 被选的染色体个数 随机数 23 49 76 13 1 27 57 所选染色体号码 3 7 10 3 1 3 7 交换操作 方法:随机选择二个染色体(双亲染色体),随机指定一点或多点, 进行交换,可得二个新的染色体(子辈染色体). 新的子辈染色体: A’ B’变异 模拟生物在自然界环境变化,引起基因的突变.在染色体二进制编码中,1变成0;或0变成1.突变产生染色体的多样性,避免进化中早期成熟,陷入局部极值点,突变的概率很低. GA流程 简单遗传算法（GA）的基本参数 ①种群规模 P: 参与进化的染色体总数. ②代沟G: 二代之间不相同的染色体数目,无重叠G = 1;有重叠 0 G 1 ③选择方法: 转轮法,精英选择法,竞争法. ④交换率: Pc 一般为60~100%. ⑤变异率: Pm 一般为0.1~10% 实例 1、产生初始种群 0001100000 0101111001 0000000101 1001110100 1010101010 （8） （5） （2） （10） （7） 1110010110 1001011011 1100000001 1001110100 000101001 （12） （5） （19） （10） （14） 2、计算适应度 3、选择 个体 染色体 适应度 选择概率 累积概率 1 0001100000 8 2 0101111001 5 3 0000000101 2 4 1001110100 10 5 1010101010 7 6 1110010110 12 7 1001011011 5 8 1100000001 19 9 1001110100 10 10 0001010011 14 8 8＋5＋2＋10＋7＋12＋5＋19＋10＋14 0.086957 0.054348 5 8＋5＋2＋10＋7＋12＋5＋19＋10＋14 0.021739 0.108696 0.076087 0.13